Plateau Meteorology

Plateau Meteorology >

2022 , Vol. 41 >Issue 5: 1109 - 1123

DOI: https://doi.org/10.7522/j.issn.1000-0534.2021.00041

Spatial Deviation Analysis of Heavy Precipitation Forcast of Large Scale Numerical Weather Prediction in Eastern Northwest China

  • Xiangwei KONG ,
  • Junxia ZHANG ,
  • Xiaojun YANG ,
  • Jiaolan FU
Expand
  • 1. Lanzhou Central Meteorological observatory，Lanzhou 730020，Gansu，China
    2. College of Atmospheric Sciences，Lanzhou University/Joint Center of Research and Training for Weather and Climate Prediction，Lanzhou 730000，Gansu，China
    3. National Meteorological Centre，Beijing 100081，China

Received date: 2021-02-01

  Revised date: 2021-04-29

  Online published: 2022-11-03

Fold

Cite this article

Xiangwei KONG , Junxia ZHANG , Xiaojun YANG , Jiaolan FU . Spatial Deviation Analysis of Heavy Precipitation Forcast of Large Scale Numerical Weather Prediction in Eastern Northwest China[J]. Plateau Meteorology, 2022 , 41(5) : 1109 -1123 . DOI: 10.7522/j.issn.1000-0534.2021.00041

1 引言

降水具有高时空非连续性特征， 定量检验降水预报空间偏差是一项富有挑战性的工作（Casati et al， 2008）。传统点对点的评分检验方法（如TS评分和ETS评分）可对降水预报结果的优劣给出一个综合评价， 但由于受空间和时间微小差异所带来的“双重惩罚”（Ebert and McBride， 2000）， 无法客观地反映高分辨率数值模式降水的真实预报能力（Mass et al， 2002； David et al， 2009）， 也无法对预报中更为关注的强降水位置、 范围及强度等属性给出定量检验结果（刘凑华和牛若芸， 2013a）。空间检验方法相对于传统检验方法具有明显优势（Davis et al， 2006a； 王国荣等， 2014； 王新敏和栗晗， 2020）， 目前空间检验方法主要分为邻域法、 尺度分离法和基于目标属性的空间检验方法。基于目标属性的空间检验方法利用对象属性间的拟合程度作为评价预报优劣的判据， 侧重于检验预报场与观测场的空间偏差特征。Davis et al（2006a， 2006b， 2009）、 Marzban and Sandgathe（2006）、 Gilleland et al（2008）、 Ebert and McBride（2000）、 Ebert and Gallus（2009）和Wernli et al（2008， 2009）相继开发了CRA（Contiguous Rain Area）、 SAL（Structure Amplitude Location）、 MODE（Method for Object-based Diagnostic Evaluation）等多种基于目标属性的能提供更详细模式预报偏差信息空间检验方法。其中， CRA方法从位置、 强度和形态三方面将总体偏差定量化地分解， 提供预报偏差信息的来源以及如何通过空间平移来提高预报技巧等信息， 具有明确的天气学检验意义。
CRA空间检验方法在数值模式24 h和48 h累积降水预报（Ebert et al， 2003）、 基于雷达的临近降水预报（Ebert et al， 2004）、 集合预报降水估测（Gallus， 2010）等方面广泛应用。Willaims（2013）利用CRA检验技术评估了美国东部32个温带气旋降水的模式预报偏差， 发现模式对此类天气的降水面积预报偏大。Yost（2013）利用CRA检验技术分析指出NCEP-GFS（National Centers for Environmental Prediction Global Forecast System）、 ECMWF（European Center for Medium-Range Weather Forecast）等全球模式预报的中尺度对流系统造成的中尺度雨带较实况偏北。在国内， 符娇兰和代刊（2016）利用CRA空间检验技术对西南地区东部强降水的ECMWF模式预报进行了检验， 结果表明模式对于不同水平尺度降水目标及不同环流型降水的预报效果不同， 并有针对性地对预报员订正模式降水提供了建议。王新敏和栗晗（2020）利用FSS（Fractional Skill Score）和CRA方法对2018年8月三次登陆台风暴雨过程进行多数值模式评估， 表明CRA方法能更全面详细地评估模式的偏差来源， 且大部分模式预报降水个体的偏差主要来源于位移偏差， 强度偏差和形态偏差均较小。
西北地区东部处在青藏高原向黄土高原的过渡带， 也是东亚夏季风北边缘过渡带（李栋梁等， 2013； 陈婕等， 2018）， 位于高原阻碍形成绕流气流的降水异常敏感的区域， 受东亚夏季风系统、 西风带天气系统和高原天气系统的共同影响（刘玉芝等， 2018； 王雅琦等， 2020； 张桂莲等， 2020）。降水量年内分布极不平衡， 多发强降水天气， 极易造成山洪泥石流等次生灾害。不论是数值模式还是预报员对该地区强降水天气落区的预报难度均较大。随着近些年大尺度数值模式预报性能的不断提升， 模式对某一具体降水目标有一定的预报能力， 但在降水落区和强度上仍存在一定的空间偏差。预报员只有了解模式这些偏差特征， 才可以在此基础上进行订正从而做出较为准确的预报（符娇兰和代刊， 2016； Turco and Milelli， 2010）。因此， 有必要开展数值模式对西北地区东部强降水预报的空间偏差特征研究。
利用基于目标属性的CRA空间检验技术， 开展ECMWF和中国气象局GRAPES全球数值预报业务系统（Global Forecast System， GRAPES-GFS）两种大尺度数值模式对西北地区东部强降水预报的空间偏差检验及对比分析， 重点分析模式落区偏差、 强度偏差和不同环流形势下的降水预报偏差， 以期检验结果能为预报员订正数值模式在该地区的预报提供偏差背景， 同时为模式研发提供有价值的降水空间偏差信息。

2 资料选取和方法介绍

2.1　 CRA检验方法

目前预报业务中应用较为广泛的大尺度数值模式是ECMWF和GRAPES-GFS模式， 且更为关注的是短期降水预报， 故本文主要对这两种数值模式20 h起报的36 h预报时效的24 h累积降水量在西北地区东部（32°N -40°N， 100°E -111°E）的预报空间偏差进行分析研究。为减少模式版本升级对预报性能评估的影响， 使用最近的2019 -2020年5 -9月两种模式降水预报数据。降水观测数据使用兰州中心气象台提供的同时段的自动站（基准站、 基本站和一般站）和区域自动站24 h累积降水资料。ECMWF和GRAPES-GFS模式空间分辨率分别为0.125°×0.125°和0.25°×0.25°， 采用基于变分技术的插值方法（刘凑华等， 2013b）将GRAPES-GFS模式预报和实况观测数据均统一为0.125°×0.125°的网格数据。基于变分技术的插值方法是将客观分析所要求的准确性和平滑性设计成关于格点场的目标函数， 通过求解目标函数的最小值对应的格点场从而获得最优插值结果， 通过实例表明该方法具有较好的分析结果。
2019 -2020年5 -9月ECMWF和GRAPES-GFS两种模式在西北地区东部各自识别出51和48个强降水有效CRA， 因某些天气过程有两个或两个以上有效CRA， 实际上二者分别有44和43个天气过程识别出了有效的CRA（表1）， 其中43个天气过程是相同的。因此， 不论是有效CRA个数还是天气过程数两种模式都很接近， 二者可以进行偏差特征对比分析。文中涉及的地图是基于国家测绘地理信息局标准地图服务网站下载的审图号为GS（2019）1711号的中国地图制作， 底图无修改。
表1 2019—2020年5—9月西北地区东部强降水天气过程识别的有效CRA及其环流分型

Table 1 The effective CRAs and circulation classification of heavy precipitation weather processes in Eastern Northwest China from May to September in 2019—2020

模式 强降水阈值 CRA 面积 有效CRA /个 有效CRA天气 过程/个 低槽型天气 过程/个 西南气流型 天气过程/个 两高切变型 天气过程/个
ECMWF 25 mm·（24 h）-1 ≥1°×1° 51 44 19 13 12
GRAPES-GFS 25 mm·（24 h）-1 ≥1°×1° 48 43 21 11 11

2.2　资料选取

CRA方法检验对象为单个降水目标或雨带， 而不是整个预报场， 因此更便于预报员理解模式对于不同影响系统下的降水空间定量偏差（Ebert and McBride， 2000； 符娇兰和代刊， 2016）。该方法首先用某一降水阈值来定义由模式预报场和实况观测场组成的连续雨区CRA， 考虑到西北地区东部日降水量较小的气候背景， 本文强降水阈值取25 mm·（24h）-1。然后进行连续雨区的识别和分离， 因大尺度数值模式对局地中尺度对流天气模拟能力不足， 故将大雨以上量级［≥25 mm·（24h）-1］强降水连续雨区的范围超过1°×1°才定义为一个CRA。在识别出的CRA范围内计算和分析实况观测和模式预报的强降水质心、 面积、 平均降水量、 最大降水量以及总降水量等。为进一步分析模式预报偏差来源， 对CRA内相应的模式预报进行平移， 最大可在原有连续雨区上向各个角度平移5°， 当平移后模式预报与实况之间均方根偏差达到最小时， 则该平移距离即为模式位移偏差。由此可将模式降水预报偏差MSE（Mean Squared Deviation）分解为位移偏差（MSD displacement）、 强度偏差（MSD volume）和形态偏差（MSD pattern）， 见式（1）~（2）：
M S D t o t a l = M S D d i s p l a c e m e n t + M S D s h i f t e d
M S D s h i f t e d = M S D v o l u m e + M S D p a t t e r n
式中： 总偏差 M S D t o t a l为原始模式预报（ f i）与实况（ O i）偏差平方和的平均值：
M S D t o t a l = 1 N ∑ i = 1 n ( f i - O i ) 2
平移后的偏差（MSD shifted）为平移后模式预报（ f i '）与实况偏差平方和的平均值， 见式（4）：
M S D s h i f t e d = 1 N ∑ i = 1 n ( f i ' - O i ) 2
位移偏差（MSD displacement）是将平均总方差减去平移后的平均总方差：
M S D d i s p l a c e m e n t = M S D t o t a l - M S D s h i f t e d
强度偏差（MSD volume）为平移后的模式平均降水强度减去实况平均降水强度的平方， 计算如式（6）：
M S D v o l u m e = ( f ¯ ' - O ¯ ) 2
形态偏差（MSD pattern）为平移后偏差减去强度偏差， 计算如式（7）：
M S D p a t t e r n = M S D s h i f t e d - M S D v o l u m e
以2019年7月21日08:00（北京时， 下同）至22日08:00强降水天气过程为例， 说明CRA的识别、 分离及平移过程。图1（a）为强降水实况观测与相应的ECMWF模式36 h预报时效的24 h累积降水预报， 主观上可以看出大雨以上量级雨带位于甘肃东部至陕西西部一带。图1（b）中填值为“1”的是识别和分离后得到预报场和观测场组成且满足最小范围的有效CRA， 整体结果与主观分析比较一致。按照均方根偏差最小的标准将ECMWF模式降水预报向东向南分别平移0.62°和1.50°后， 模式降水预报和实况观测更为接近［图1（c）］。
图1 西北地区东部2019年7月21日08:00至22日08:00 ≥25 mm实况观测降水（阴影区， 单位： mm）和相应的ECMWF模式36 h时效的预报（等值线， 单位： mm）（a）， 识别和分离的CRA（b）以及填值为“1”的CRA平移后的模式降水预报（等值线， 单位： mm）与实况观测降水（阴影区， 单位： mm）（c）

填值“1、 2、 3、 4、 5”分别为5个CRA， 其中只有填值“1”为有效CRA

Fig.1 The observed precipitation （≥25 mm， the shaded， unit： mm） and the corresponding ECMWF precipitation forecast with 36-hour limit （contour， unit： mm） in Eastern Northwest China from 08:00 on 21 to 08:00 on 22 July 2019 （a）， the identified and isolated CRAs （b）， and the observed precipitation （the shaded， unit： mm） and the shifted ECMWF precipitation forecast （contour， unit： mm） of CRA with the filling value of “1” （c）.The values of “1， 2， 3， 4， 5” are 5 CRAs， and only “1” is a valid CRA

2.3　强降水环流形势分型

为进一步探究西北地区东部不同环流形势下模式降水预报空间偏差分布， 采用基于影响系统的流型识别法进行环流分型。常见的造成西北地区东部大范围强降水的环流形势包括低槽型、 西南气流型和两高切变型（白晓平等， 2016； 白肇烨等， 1991）。将ECMWF和GRAPES-GFS两种模式识别出有效CRA的天气过程按上述三种类型分型（表1）并统计逐月分布情况（图略）， 结果表明西北地区东部强降水天气以低槽型为主， 西南气流型和两高切变型发生次数都较少。低槽型强降水主要受西风槽和高原槽影响， 主要发生在5 -9月。西南气流型强降水发生时西太平洋副热带高压（以下简称西太副高）位置偏西偏北， 西太副高的西侧或西北侧偏南气流持续向西北地区东部输送暖湿水汽， 其比低槽型具有更好的热力条件， 多出现在7 -9月。两高切变型强降水主要发生在7 -8月， 因盛夏时期西太副高强盛且在青藏高原上空对流层中层常有高压出现。

3 西北地区东部强降水预报总体偏差

ECMWF和GRAPES-GFS模式对西北地区东部强降水预报的落区、 形态和强度三类偏差分布相似（表2）， 其中形态偏差占比最大， 分别为65.99%和63.72%， 其次是落区偏差， 分别为21.55%和20.31%， 强度偏差最小， 各占12.47%和15.97%。图2为2019 -2020年5 -9月西北地区东部强降水天气过程的落区、 强度和形态三种偏差占比箱线图（文中箱线图箱体从上至下分别表示最大值、 90%分位数， 75%分位数， 中位数， 25%分位数， 10%分位数和最小值）， 从图2中可以看出， 两种模式的落区偏差占比离散度较大， 主要分布在10%~30%， 而形态偏差占比普遍偏大， 75%以上天气过程的形态偏差占比超过50%（图2）。
表2 西北地区东部强降水的落区、 强度平均偏差及落区、 强度、 形态偏差平均占比

Table 2 The average location and intensity deviation of heavy precipitation and the average percentage of location， intensity and pattern error in Eastern Northwest China

模式

落区 偏差

占比/%

强度 偏差

占比/%

形态 偏差

占比/%

 平均纬向 位移偏差 /（°） 平均经向 位移偏差 /（°） 平均纬向 质心偏差 /（°） 平均经向 质心偏差 /（°） 平均 面积 偏差/% 平均 强度 偏差/% 最大 降水量 偏差/% 总降水量 偏差/%
ECMWF 21.55 12.47 65.99 -0.37 0.45 -0.18 0.08 3.80 -5.35 -3.26 18.69
GRAPES-GFS 20.31 15.97 63.72 -0.38 0.21 -0.21 0.05 -6.43 -33.08 -54.44 -21.58
图2 2019—2020年5—9月西北地区东部强降水天气过程的落区、 强度和形态三种偏差占比箱线图

深灰色为ECMWF模式， 浅灰色为GRAPES-GFS模式

Fig.2 Box chart of location， intensity and pattern deviation percentage of heavy precipitation weather processes in Eastern Northwest China from May to September in 2019—2020.Dark grey is ECMWF model， and light grey is GRAPES-GFS model

西北地区东部强降水的形态偏差比西南地区的偏差（符娇兰和代刊， 2016）还大， 其主要与暖区内中小尺度对流系统引起的对流性降水有关。大尺度数值模式预报的降水大值区主要在天气系统（如低空切变线、 高空低槽等）附近动力抬升最强的区域， 而实况强降水大部分区域往往是偏南气流中的中小尺度对流系统造成的， 从而导致强降水预报的形态偏差， 从2020年8月23日强降水天气过程中就明显可以看出这样的特征（图3）。这可能是大尺度数值模式空间分辨率不高、 采用静力平衡等因素造成的中小尺度对流性降水被平滑过滤， 且西北地区东部地形十分复杂， 大尺度数值模式中的模式地形和物理过程参数化方案对局地地形触发的中小尺度降水描述能力也有限， 从而导致降水的形态出现较大偏差。
图3 2020年8月23日西北地区东部强降水天气过程的3 h降水实况（填值， 单位： mm）和GRAPES-GFS模式的3 h预报降水（彩色区， 单位： mm）

红色风向杆为GRAPES-GFS的700 hPa风场预报， 黑色风向杆为700 hPa实况风场（单位： m·s-1）

Fig.3 The 3-hour observed precipitation （fill in value， unit： mm） and the 3-hour forecast precipitation （color area， unit： mm） of GRAPES-GFS model in Eastern Northwest China on August 23， 2020.The red vector arrow is the 700 hPa wind field forecast of GRAPES-GFS model， and the black vector arrow is the 700 hPa actual wind field （unit： m·s-1）

3.1　空间偏差

ECMWF和GRAPES-GFS模式对西北地区东部强降水落区的质心预报较实况偏西约0.20°， 但预报偏南偏北的概率分布相当［图4（a）， （c）］， 表明两种模式预报的强降水大值中心存在系统性偏西的现象， 而系统性的经向偏差不明显。强降水预报落区较实况位移偏差分布表明， ECMWF预报大部分强降水的落区较实况偏西偏北［图4（b）］， 平均偏西0.37°（质心偏差的两倍多）， 最大偏西3°， 平均偏北0.45°， 最大偏北3.4°（表2）。GRAPES-GFS模式预报的落区同样较实况偏西偏北［图4（d）］， 平均偏西位移与ECMWF相当， 但偏北位移仅为0.21°， 不到ECMWF的一半。强降水预报落区较实况偏西偏北的分布与大尺度数值模式在西北地区东部对高空西风槽系统东移速度预报较实况偏慢有关， 且高空西风槽系统越强， 模式预报偏慢的程度越强。
图4 ECMWF和GRAPES-GFS模式的强降水预报较实况雨区的质心位置偏差（左）和预报较实况的位移偏差（右）散点分布

Fig.4 The scatter plot of the heavy precipitation forecast mass center location bias （left）， and displacement deviation （right） of ECMWF and GRAPES-GFS models compared with the observed precipitationa

3.2　面积偏差

ECMWF预报的强降水面积较实况雨区平均偏大3.80%， 而GRAPES-GFS预报的面积较实况偏小6.43%（表2）。实况雨区格点数小于400（中β尺度强降水雨区）时， ECMWF预报与实况雨区面积相当［图5（a）］， 而GRAPES-GFS预报的雨区较实况明显偏小［图5（b）］； 当格点数大于400时（中α尺度强降水雨区）， ECMWF和GRAPES-GFS两种模式预报的绝大部分CRA较实况偏大约20%。表明模式对不同尺度雨区预报偏差存在差异， ECMWF对中β尺度强降水雨区的预报优于GRAPES-GFS， 而两种模式对西北地区东部尺度较大的雨区预报均偏大。
图5 ECMWF模式（左）和GRAPES-GFS模式（右）预报的强降水面积、 平均强度、 最大降水量和总降水量与实况的散点分布

Fig.5 The scatter plot of heavy precipitation area， average intensity， maximum precipitation and total precipitation forecasted by ECMWF model （left） and GRAPES-GFS model （right） with the observed precipitation

3.3　强度偏差

ECMWF预报平均雨强较实况偏强或偏弱的CRA所占比例相当［图5（c）］， 其预报的平均雨强较实况偏弱5.35%， 而GRAPES-GFS模式预报平均雨强偏弱33.08%， 尤其是当24 h平均雨强>30 mm·（24h）-1时均为偏弱且平均偏弱50%［图5（d）］。对于最大降水量， ECMWF和GRAPES-GFS模式预报平均较实况分别偏弱3.26%和54.44%（表2）， GRAPES-GFS对最大降水量预报呈一致性地显著偏弱分布且预报基本不随实况变化［图5（f）］。当实况最大降水量为110~120 mm时， ECMWF预报的离散度最大； 当实况最大降水量超过150 mm时， ECMWF预报也呈一致性地偏弱， 平均偏弱50%［图5（e）］。
ECMWF预报的总降水量（平均降水强度乘以格点数）偏大18.69%， 即模式内部大气水分循环总体偏湿。对于小于10 m3的总降水量， ECMWF预报与实况总降水量相当， 但对于大于10 m3的总降水量， ECMWF主要由于预报面积偏大导致总降水量偏强［图5（g）］。GRAPES-GFS模式与ECMWF相反， 模式内部大气水分循环总体偏干21.58%， 当总降水量小于10 m3时， 偏干现象更明显［图5（h）］。

4 西北地区东部不同环流形势强降水预报偏差

图6是西北地区东部低槽型、 西南气流型和两高切变型强降水的环流形势和降水分布。低槽型强降水［图6（a）］发生时西太副高整体偏南， 主体位于海洋上， 西风带中的短波槽东移南压过程中与高原槽叠加， 引导北方冷空气南下， 同时高空槽前的西南气流向西北地区东部输送暖湿气团， 冷暖气团在西北地区东部相遇， 强降水主要发生在高空槽前、 低层切变线附近。西南气流型［图6（b）］主要特征是西太副高西伸北抬， 西脊点达到110°E附近， 脊线位于30°N附近， 西北地区东部受西太副高外围较强的西南气流影响， 它与低层700 hPa偏南气流重叠的地区时常产生强降水。这种形势下， 新疆至甘肃西北部的西风带冷槽常引导冷空气东移南下， 到西北地区东部与南来暖湿气流相遇， 形成大范围东北至西南向雨带， 强降水主要位于大范围雨带的偏东侧， 此类强降水的面积和最大降水量是三种类型中最强［图7（a）， （c）］。两高切变型强降水［图6（c）］主要出现在盛夏西太副高极盛期， 出现次数相对较少， 其发生时西太副高位置更加偏西偏北， 脊线常位于33°N -35°N附近。副热带高压与青藏高压之间在西北地区东部至四川一带有近乎南北向的槽线或切变线， 切变线附近或以东常有深厚的偏南风层， 它往往带来比西南气流型强降水更加湿热和不稳定的气团， 在深厚的偏南风层中， 时常能产生局地强降水， 因其冷空气活动区域比其他两种类型偏北， 且主要由对流层低层向西北地区东部侵入， 强降水的落区面积和最大降水量强度也相对偏弱［图7（a）， （c）］。 三种不同环流形势下强降水的面积和强度等存在显著差异， 模式的预报性能也不尽相同（图7）。
图6 西北地区东部不同类型强降水的环流形势和降水分布

等值线为500 hPa高度场（单位： dagpm）， 风向杆为700 hPa风场（单位： m·s-1）， 阴影区为24 h累积降水量（单位： mm）， 黑色方框为研究区域， （c）中字母“G”为高压中心

Fig.6 The circulation situation and precipitation distribution of three heavy precipitation patterns in Eastern Northwest China.The contour is 500 hPa height field （unit： dagpm）， and the vector arrow is 700 hPa wind field （unit： m·s-1）， and the shaded area is 24-hour accumulated precipitation （unit： mm）， the black box is the study area， and the letter “G” in （c） is the high pressure center

图7 西北地区东部三类不同环流形势下≥25 mm·（24h）-1强降水的实况和模式预报箱线图

深灰色是ECMWF模式， 浅灰色是GRAPES-GFS模式， 白色是实况

Fig.7 Box chart of observation and model forecast of heavy precipitation over 25 mm·（24h）-1 under three different circulation situation in Eastern Northwest China.Dark grey is ECMWF model， and light grey is GRAPES-GFS model， and white is observation

4.1　面积和强度偏差

低槽型强降水天气过程ECMWF预报的面积整体较实况偏大或偏小的概率相当， 当格点数小于400时， ECMWF预报面积偏小， 而当格点数大于400时， 预报面积较实况面积偏大［图8（a）］。GRAPES-GFS预报中有58% CRA面积偏小， 预报偏小的概率在格点数小于400时较大［图8（d）］。因此， 低槽型强降水的雨区水平尺度越大， 两种模式预报面积偏大的可能性较大。对西南气流型强降水， ECMWF预报85%以上CRA预报面积较实况略偏大［图8（b）］， 对尺度较小和尺度较大的降水这一现象均有表现。对于两高切变型强降水， ECMWF预报面积较实况面积以偏小为主［图8（c）］， 其与低槽型和西南气流型偏差分布相反（表3）， 这可能是两高切变型强降水的水平尺度较小且多为暖区局地对流性降水为主， 模式预报性能不高， 多为漏报［图7（c）］。GRAPES-GFS对西南气流型和两高切变型强降水预报超过85%的CRA面积明显偏小［图8（e）， （f）］， 表明其对暖区内尺度较小的对流性降水预报能力明显不足。
图8 不同类型强降水环流形势下CRA内实况降水格点数与相应的ECMWF模式（上）和GRAPES-GFS模式（下）预报的格点数散点分布

Fig.8 The scatter plot of grid numbers between observation and forecasted by the ECMWF model （up） and GRAPES-GFS model （down） in the CRAs under three different circulation situation

表3 西北地区东部ECMWF模式和GRAPSE-GFS模式对不同环流型强降水落区和强度预报偏差的中位数

Table 3 The location and intensity deviation median of the ECMWF and GRAPES-GFS models forecast under three heavy precipitation patterns in Eastern Northwest China

环流分型 数值模式 纬向位移 偏差/（°） 经向位移 偏差/（°） 纬向质心 偏差/（°） 经向质心 偏差/（°） 面积偏差 /% 平均雨强 偏差/% 最大降水 偏差/% 总降水量 偏差/%
低槽型 ECMWF -0.25 0.32 -0.18 -0.02 4.05 10.0 -23.72 9.67
GRAPSE-GFS -0.50 0.12 -0.24 -0.03 -27.90 -7.69 -45.00 -41.20
西南气流型 ECMWF -0.50 0.44 -0.35 0.07 15.99 7.92 -19.80 30.14
GRAPSE-GFS -0.69 0.19 -0.22 0.04 -47.19 -37.58 -61.26 -66.98
两高切变型 ECMWF 0.06 0.44 -0.06 0.12 -12.34 16.50 5.70 2.16
GRAPSE-GFS -0.13 0.00 0.06 0.00 -72.11 -61.88 -57.74 -89.94
ECMWF预报低槽型和两高切变型强降水时， 均有56%以上的CRA平均雨强较实况偏强， 当降水目标实况平均雨强小于25 mm时预报偏强的概率较大， 而当实况平均雨强大于25 mm时预报偏弱概率增大［图9（a）， （c）］。对于西南气流型强降水预报的平均雨强也偏强［图9（b）］， 这一现象与图8（b）共同说明ECMWF预报倾向于将这类强降水的总降水量报强。GRAPES-GFS模式对三种类型强降水的平均雨强预报均为偏弱［图7（b）］， 对于平均雨强较大的降水， 预报较实况偏弱更显著， 尤其是西南气流型和两高切变型这一现象更加明显， 平均雨强偏弱程度超过40%［图9（e）， （f）］。
图9 CRA内实况平均雨强与相应的ECMWF模式（上）和GRAPES-GFS模式（下）预报的平均雨强散点分布

Fig.9 The scatter plot of average precipitation intensity between observation and forecasted by the ECMWF （up） and GRAPES-GFS （down） model in the CRAs

ECMWF预报的最大降水量在低槽型［图10（a）］和西南气流型［图10（b）］强降水中较实况偏弱的概率分别达76%和60%， 且实况越强， 预报越弱的可能性较大， 偏弱程度的中位值分别为23.72%和19.80%（表3）。ECMWF对两高切变型最大降水量预报偏强和偏弱的概率相当， 整体预报效果较好。当最大降水量小于100 mm时， ECMWF预报偏弱的概率达62.5%， 当最大降水量大于100 mm时， ECMWF预报最大降水量偏弱的概率减小至25%［图10（c）］。GRAPES-GFS对三种类型强降水的最大降水量预报均明显偏弱， 偏弱程度的中位值分别为45%， 61.26%和57.74%（表3）， 预报的最大降水量离散度很小［图7（a）］， 43个CRA中除了两高切变型的1个外， 其余CRA中的最大降水量预报在100 mm以下［图10（d）~（f）］， 说明其对极端降水的预报能力不足。
图10 CRA内实况最大降水量与相应的ECMWF模式（上）和GRAPES-GFS模式（下）预报的最大降水量散点分布

Fig.10 The scatter plot of the maximum precipitation value between observation and forecasted by the ECMWF （up） and GRAPES-GFS （down） model in the CRAs

4.2　空间偏差

ECMWF预报的低槽型和西南气流型强降水落区偏西偏北特征明显， 偏西偏北占比均超过60%， 其中偏西0.1°~1°的概率最大， 最大偏西幅度可达2.2°， 最大偏北幅度2°， 偏北概率最大范围0.1°~0.5°［图11（a）， （b）］。ECMWF预报的两高切变型以偏北特征为主， 偏北占比81%以上， 其中偏北0.1°~1°概率最大， 最大幅度可达3.5°， 偏西或偏东概率相当［图11（c）］。GRAPES-GFS模式预报的低槽型降水落区偏西偏北特征也明显［图11（d）］， 西南气流型降水以偏西特征为主［图11（e）］， 偏西程度的中位值为0.69°， 是两种模式所有类型降水预报中偏西程度最大的（表3）。而两高切变型降水偏西偏东概率相当［图11（f）］。低槽型和西南气流型强降水落区偏差偏西偏北的特征， 很可能与影响西北地区东部的高空槽移动速度预报偏慢和偏南风中暖区对流性降水刻画不足有关， 而后者主要是两高切变型强降水落区预报偏北的主要偏差原因。
图11 不同类型强降水环流形势下ECMWF模式（上）和GRAPES-GFS模式（下）的强降水预报较实况雨区的位移偏差散点分布

Fig.11 The scatter plot of the displacement deviation of the heavy precipitation forecasted by ECMWF model （up） and GRAPES-GFS model （down） compared with the observed precipitation under three different circulation situation

低槽型强降水ECMWF预报质心偏西偏东概率相当， 偏南占比56%， 偏南0°~0.5°概率最大， 最大偏南幅度可达1°［图12（a）］。西南气流型强降水ECMWF预报以偏西特征为主， 占比73%以上， 最大偏西幅度可达1.5°， 无明显偏南偏北倾向［图12（b）］。两高切变型强降水ECMWF预报质心偏北特征相对明显［图12（c）］， 占比约62.5%， 无明显偏西或偏东倾向。对于三种不同环流型的强降水， GRAPES-GFS模式预报均无明显的偏南或偏北倾向， 但对低槽型和西南气流型降水质心预报偏西［图12（d）， （e）］， 而两高切变型降水质心预报无明显偏差特征［图12（f）］。
图12 不同类型强降水环流形势下ECMWF模式（上）和GRAPES-GFS模式（下）的强降水预报较实况雨区的质心偏差散点分布

Fig.12 The scatter plot of the mass center location bias of the heavy precipitation forecasted by ECMWF model （up） and GRAPES-GFS model （down） compared with the observed precipitation under three different circulation situation

5 结论与讨论

利用2019 -2020年5 -9月ECMWF和GRAPES-GFS大尺度数值模式20 h起报的36 h预报时效的24 h降水量预报和加密实况降水观测资料， 使用基于目标属性的CRA空间检验技术识别、 分离西北地区东部强降水［≥25 mm·（24h）-1］目标， 在此基础上分析、 对比两种模式对该地区强降水预报的空间偏差（位移偏差、 强度偏差和形态偏差）和不同环流形势下的降水预报偏差， 主要得到如下结论：
（1） 西北地区东部强降水预报偏差中， ECMWF和GRAPES-GFS模式的形态偏差占比最大， 分别达65.99%和63.72%， 其次是位移偏差， 分别为21.55%和20.31%， 强度偏差最小， 各占12.47%和15.97%。形态偏差主要与暖区中的中小尺度对流系统的活动有关， 可能由于大尺度数值模式对中小尺度降水刻画能力不足导致的。
（2） ECMWF和GRAPES-GFS模式预报的强降水落区均较实况偏西偏北， ECMWF预报平均偏西0.37°， 偏北0.45°， GRAPES-GFS平均偏西位移与ECMWF相当， 但偏北位移不到ECMWF的一半。
（3） 模式对不同尺度雨区的预报偏差存在差异， ECMWF对中β尺度强降水雨区的预报优于GRAPES-GFS， 但两种模式对尺度较大的雨区预报均偏大。GRAPES-GFS对最大降水量和平均雨强预报分别偏弱54.44%和33.08%， 而ECMWF对二者预报偏弱不足6%， 且仅在实况最大降水量超过150 mm的极端降水时预报偏弱较明显。
（4） ECMWF对低槽型最大降水量预报偏弱， 预报面积随着降水尺度的增大由预报偏小转为偏大， 实况平均雨强大于（小于）25 mm时预报偏弱（强）； 对西南气流型强降水预报面积偏大， 平均雨强略偏强， 总降水量明显偏强， 但最大降水量偏弱， 且实况越强最大降水量偏弱的可能性越大； 对两高切变型强降水预报面积偏小， 偏小或漏报的概率是三种类型中最高的， 但对平均雨强和最大降水量预报把握较好。GRAPES-GFS对三种类型强降水预报的面积、 平均雨强和最大降水量均偏小， 尤其对西南气流型和两高切变型预报明显偏弱， 预报性能远低于ECMWF。
（5） ECMWF对低槽型和西南气流型强降水落区预报偏西偏北， 其中偏西（偏北）0.1°~1°（0.1°~0.5°）的概率最大， 对两高切变型强降水落区预报81%偏北， 偏北0.1°~1°概率最大。GRAPES-GFS模式预报的低槽型强降水落区偏西偏北， 而西南气流型预报偏西， 但两高切变型偏差特征不明显。两种模式对低槽型和西南气流型强降水质心预报均偏西。
基于以上模式预报空间偏差特征， 预报员可在环流形势分析的基础上针对模式降水落区、 强度等进行相应调整， 例如对西南气流型强降水， ECMWF预报优于GRAPES-GFS， 同时要在ECMWF模式预报基础上减小雨区面积和平均雨强， 增大最大降水量， 将强降水落区和降水中心均向东南调整。可见， 定量检验数值模式预报的空间偏差， 能为预报员订正模式降水预报提供偏差背景， 对促进预报准确率的提高有积极作用。
本研究仍存在两方面的不足， 一是由于数值模式自身的复杂性， 本文仅对模式预报偏差的可能成因进行了禄步的探讨， 后期还需要进行更深入的偏差成因分析。二是相对于落区偏差和强度偏差的订正， 形态偏差的订正对预报员而言难度更大， 而两种大尺度数值模式预报中的形态偏差占比却高达60%以上， 这也是西北地区东部强降水预报中大尺度数值模式产品订正的难点所在。进一步加强对中小尺度系统模拟效果更好的中尺度数值模式降水产品的检验评估应用， 可能为该地区强降水形态偏差订正提供更多的参考。此外， CRA方法具有明确的天气学检验意义， 适用性较广， 不论是我国的西部内陆还是东部沿海地区， 对空间上连续的雨区均能使用， 但在该方法的使用过程中要注意选取适宜的研究范围。研究范围过小， 不利于连续雨区的识别、 分离和移动， 也不利于分型讨论偏差特征（不同环流形势下的空间偏差具有差异性）； 研究范围过大， 偏差特征可能因不同天气影响系统造成的不同空间偏差的叠加而被平滑或隐藏。

References

null
Casati B， Wilson L J， Stephenson D B， et al， 2008.Forecast verification： current status and future directions［J］.Meteorological Applications， 15（1）： 3-18.
null
David A， Eric G， Barbara G B， et al， 2009.Application of spatial verification methods to idealized and NWP-gridded precipitation forecasts［J］.Weather and Forecasting， 24（1）， 1485-1497.
null
Davis C， Brown B， Bullock R， 2006a.Object-based verification of precipitation forecasts.part Ⅰ： methodology and application to mesoscale rain areas［J］.Monthly Weather Review， 134（7）： 1772-1784.
null
Davis C， Brown B， Bullock R， 2006b.Object-based verification of precipitation forecasts.part II： application to convective rain systems［J］.Monthly Weather Review， 134（7）： 1785-1795.
null
Davis C A， Brown B G， Bullock R， et al， 2009.The method for object-based diagnostic evaluation （MODE） applied to numerical forecasts from the 2005 NSSL/SPC spring program［J］.Weather and Forecasting， 24（5）： 1252-1267.
null
Ebert E E， McBride J L， 2000.Verification of precipitation in weather systems： Determination of systematic errors［J］.Journal of Hydrology， 239： 179-202.
null
Ebert E E， Damrath U， Wergen W， et al， 2003.The WGNE assessment of short-term quantitative precipitation forecasts （QPFs） from operational numerical weather prediction models［J］.Bulletin of the American Meteorological Society， 84（4）： 481-492.
null
Ebert E E， Wilson L J， Brown B G， et al， 2004.Verification of nowcasts from the WWRP Sydney 2000 forecast demonstration project［J］.Weather and Forecasting， 19（1）： 73-96.
null
Ebert E E， Gallus W A， 2009.Toward better understanding of the contiguous rain area （CRA） method for spatial forecast verification ［J］.Weather and Forecasting， 24（5）： 1401-1415.
null
Gallus W A， 2010.Application of object-based verification techniques to ensemble precipitation forecasts［J］.Weather and Forecasting， 25（1）： 144-158.
null
Gilleland E， Lee T C， Halley G J， et al， 2008.Computationally efficient spatial forecast verification using Baddeley's delta image metric［J］.Monthly Weather Review， 136（5）： 1747-1757.
null
Marzban C， Sandgathe S， 2006.Cluster analysis for verification of precipitation fields［J］.Weather and Forecasting， 21（5）： 824-838.
null
Mass C F， Ovens D， Westrick K， et al， 2002.Does increasing horizontal resolution produce more skillful forecasts？ ［J］.Bulletin of the American Meteorological Society， 83（3）： 407-430.
null
Turco M， Milelli M， 2010.The forecaster's added value in QPF ［J］.Advances in Geosciences， 25： 29-36.
null
Wernli H， Paulat M， Hagen M， et al， 2008.SAL-a novel quality measure for the verification of quantitative precipitation forecasts［J］.Monthly Weather Review， 136（11）： 4470-4487.
null
Wernli H， Hofmann C， Zimmer M， 2009.Spatial forecast verification methods intercomparison project： application of the SAL technique ［J］.Weather and Forecasting， 24（6）： 1472-1484.
null
Willaims J， 2013.Verification of precipitation forecasts associated with mid-latitude cyclones across the eastern United States［D］.A thesis presented to the degree of Mastre of Science， 1-100.
null
Yost C， 2013.Investigation into a displacement bias in numerical weather prediction models' forecasts of mesoscale convective systems［D］.A thesis presented to the degree of Master of Science， 1-94.
null
白肇烨， 许国昌， 孙学筠， 等， 1991.中国西北天气［M］.北京： 气象出版社， 215-217.
null
白晓平， 王式功， 赵璐， 等， 2016.西北地区东部短时强降水概念模型［J］.高原气象， 35（5）： 1248-1256.DOI： 10.7522/j.issn. 1000-0534.2015.00102 .
null
陈婕， 黄伟， 靳立亚， 等， 2018.东亚夏季风的气候北界指标及其年际变化研究［J］.中国科学（地球科学）， 48（1）： 93-101.
null
符娇兰， 代刊， 2016.基于CRA空间检验技术的西南地区东部强降水EC模式预报偏差分析［J］.气象， 42（12）： 1456-1464.
null
李栋梁， 邵鹏程， 王慧， 等， 2013.中国东亚副热带夏季风北边缘带研究进展［J］.高原气象， 32（1）： 305-314.DOI： 10.7522/j.issn.1000-0534.2012.00030 .
null
刘凑华， 牛若芸， 2013a.基于目标的降水检验方法及应用［J］.气象， 39（6）： 681-690.
null
刘凑华， 曹勇， 符娇兰， 2013b.基于变分法的客观分析算法及应用［J］.气象学报， 71（6）： 1172-1182.
null
刘玉芝， 吴楚樵， 贾瑞， 等， 2018.大气环流对中东亚干旱半干旱区气候影响研究进展［J］.中国科学（地球科学）， 48（9）： 1141-1152.
null
王国荣， 陈敏， 由凤春， 等， 2014.基于对象诊断的空间检验方法（MODE）［J］.气象科技， 42（4）： 652-656.
null
王雅琦， 冯娟， 李建平， 等， 2020.西北地区东部夏季降水年际变化特征及其与环流的关系［J］.高原气象， 39（2）： 80-90.DOI： 10.7522/j.issn.1000-0534.2019.00023 .
null
王新敏， 栗晗， 2020.多数值模式对台风暴雨过程预报的空间检验评估［J］.气象， 46（6）： 753-764.
null
张桂莲， 杭月荷， 付丽娟， 等， 2020.“列车效应”诱发的一次河套地区致灾暴雨成因［J］.高原气象， 39（4）： 788-795.DOI： 10.7522/j.issn.1000-0534.2019.00122 .
Options
Outlines

/

〈 〉

The system is designed and developed by Beijing magtec Technology Development Co., Ltd. with technical support: support@magtech.com.cn